以下是一份在 Ubuntu 系统上本地部署 RAGFlow 的详细教程。
一、基础环境准备
1.硬件要求
–CPU ≥ 4核
–RAM ≥ 16 GB
–磁盘空间 ≥ 50 GB（建议 SSD）

2.系统配置

更新系统

sudo apt update && sudo apt upgrade -y

设置内核参数（Elasticsearch 必需）

sudo sysctl -w vm.max_map_count=262144
echo “vm.max_map_count=262144” | sudo tee -a /etc/sysctl.conf # 永久生效

二、安装 Docker 与 Docker Compose
1.卸载旧版本（如有）

sudo apt remove docker docker-engine docker.io containerd runc
2.安装依赖与 Docker

sudo apt install apt-transport-https ca-certificates curl gnupg-agent software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
sudo add-apt-repository “deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable”
sudo apt update
sudo apt install docker-ce docker-ce-cli containerd.io
3.安装 Docker Compose v2.26.1+

sudo curl -L “https://github.com/docker/compose/releases/download/v2.26.1/docker-compose-$(uname-s)-$(uname -m)” -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
4.配置国内镜像加速
创建 /etc/docker/daemon.json：

Json {
“registry-mirrors”: [“https://docker.1panel.live”, “https://dockerproxy.cn”]
}
重启服务：
sudo systemctl daemon-reload
sudo systemctl restart docker

三、部署 RAGFlow
1.克隆仓库

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
chmod +x ./entrypoint.sh # 授予执行权限
2.启动服务（默认使用 CPU 版本）

docker compose -f docker-compose.yml up -d
注：GPU 加速需使用 docker-compose-gpu.yml（需已安装 NVIDIA 驱动） 。
3.验证服务状态

docker logs -f ragflow-server # 出现 “RAGFlow is running!” 即成功
4.访问 Web UI
浏览器打开：http://<服务器IP>:8080（默认端口 8080，可在 .env 中修改 SVR_HTTP_PORT） 。

四、配置 Ollama 本地模型
1.安装 Ollama

curl -fsSL https://ollama.com/install.sh | sh
2.修改配置文件（监听所有 IP）

sudo vim /etc/systemd/system/ollama.service
添加两行：
Ini [Service]
Environment=“OLLAMA_HOST=0.0.0.0:11434”
Environment=“OLLAMA_MODELS=/path/to/ollama_cache” # 自定义模型存储路径
重启服务：
sudo systemctl daemon-reload
sudo systemctl restart ollama
3.下载模型（如 DeepSeek-R1）

ollama run deepseek-ai/deepseek-r1:latest

⚙️ 五、RAGFlow 模型与知识库配置
1.Web UI 中添加 Ollama 模型
–登录 RAGFlow → 右上角头像 → 模型供应商 → 选择 Ollama
–填写信息：
•模型名称：deepseek-r1（与 ollama list 名称一致）
•基础 URL：http://<服务器IP>:11434
•最大 Token：4096

2.设置系统模型
–聊天模型：选择刚添加的 deepseek-r1
–嵌入模型：推荐 shaw/dmeta-embedding-zh:latest（需先通过 Ollama 下载）

3.创建知识库
–知识库 → 新建知识库 → 上传文档（支持 Word/PDF/Excel 等）
–配置解析方法（按文档类型选择模板）

4.新建助理并测试
–聊天 → 新建助理 → 绑定知识库 → 开始问答测试

⚠️ 六、常见问题解决
•端口冲突：修改 ragflow/docker/.env 中的 SVR_HTTP_PORT，重启服务。
•镜像拉取慢：确保 Docker 镜像加速配置生效（见第二.4步）。
•Ollama 连接失败：检查防火墙是否放行 11434 端口，确认 OLLAMA_HOST 配置正确。
•模型加载错误：确认 Ollama 模型名称与 RAGFlow 中填写一致，且已下载完成。

💎 总结
本教程覆盖了从系统配置到模型集成的全流程，关键点包括：
1.内核参数 vm.max_map_count 对 Elasticsearch 至关重要；
2.Docker 镜像加速可大幅提升部署效率；
3.Ollama 需配置为 0.0.0.0 监听以实现跨容器通信；
4.知识库支持的文档类型丰富，解析方法需匹配文件格式。